التنبؤ بالطقس باستخدام Lora والتعلم الآلي
مقدمة
يعد التنبؤ بالطقس باستخدام Lora طريقة مبسطة وفعالة من حيث التكلفة للتنبؤ بالطقس. سنستخدمه للتنبؤ بحالة الطقس في الوقت الفعلي على ارتفاعات عالية.
بيان المشكلة
تم باستخدام الاتصالات القمر الصناعي
- غالي
- تغطية محدودة
- الحد من السلطة
- كمون
- تدهور الإشارة
الاتصال الخلوي (3G ، 4G) غير ممكن
أهداف
- لتطوير نظام اتصال Lora لنقل بيانات الطقس في الوقت الحقيقي.
- لتصميم وتنفيذ نظام النموذج الأولي للتنبؤ بالطقس في الوقت الحقيقي.
- للتحقيق في استخدام خوارزميات التعلم الآلي للتنبؤ بالطقس.
مراجعة الأدب
- يمكن أن يؤدي التعلم الآلي أفضل من النماذج الرياضية التقليدية في نطاق التنبؤ بالطقس مع مرور الوقت من خلال البحث في العمل ذي الصلة إلى جانب تجربتنا. [5]
- في الآونة الأخيرة ، كان هناك اهتمام متزايد بإمكانية استخدام الشبكات العصبية لكل من التنبؤ بالطقس وتوليد مجموعات بيانات المناخ. [10]
- يمكن اعتبار لورا مرشحًا جيدًا في حل تعقيد المشكلات في تطوير إنترنت الأشياء في المستقبل القادم. [2]
- أظهرت التجربة مع انتقال Lora أن تقنية Lora مناسبة جدًا لنظام تلوث الهواء وخاصة في الإرسال طويل المدى مقارنة بتقنيات الإرسال اللاسلكية الأخرى. [11]
المنهجية
يتم إرسال بيانات الطقس من مستشعر BMP 180 و DHT 11 من جهاز الإرسال إلى قسم الاستقبال باستخدام LORA. يرسل Arduino في محطة الاستقبال بيانات المستشعر إلى خادم العقدة. يعرض Node Server بيانات الطقس المباشر باستخدام chart.js. خوادم العقدة تستدعي API إلى خادم Flask للتنبؤ بالطقس. يقوم خادم Flask باستدعاء نموذج التعلم الآلي عندما يدخل المستخدم معلمات الإدخال للتنبؤ بالطقس.
مخطط كتلة النظام
مخطط نشاط النظام
مخطط نشاط العقدة
مخطط نشاط القلاع
تخطيط الدائرة
خط أنابيب التعلم الآلي
أ. جمع البيانات للتدريب النموذجية.
ب. تصفية البيانات
ميزة الهندسة
تحويل البيانات الأولية إلى تنسيق أكثر ملاءمة لخوارزميات التعلم الآلي لاستخراج أنماط ذات مغزى وجعل تنبؤات دقيقة.
الشكل: الرطوبة
الشكل: درجة الحرارة
الشكل: الضغط
اختيار النموذج
تم استخدام خوارزمية XgBoost لتدريب النموذج لأسباب التالية:
- يتمتع بأداء تنبؤ عالي المصمم للتعامل مع العلاقات المعقدة غير الخطية في البيانات ويمكنه التقاط أنماط خفية قد تفوتها خوارزميات أخرى
- يمكن استخدامه لكل من مهام التصنيف والانحدار.
- إنه يوفر رؤى قيمة في أهمية الميزة. يقوم بحساب درجات أهمية الميزات بناءً على عدد المرات التي يتم فيها استخدام الميزة لتقسيم البيانات عبر جميع الأشجار المعززة.
- تم تحسينه بشكل كبير ويوفر سرعة تنفيذ سريعة.
- لدى XgBoost إمكانات مدمجة للتعامل مع البيانات المفقودة. يمكن أن يتعلم كيفية التعامل مع القيم المفقودة من خلال اتخاذ قرارات مستنيرة أثناء عملية بناء الأشجار.
- يتم تدريب النموذج المحدد باستخدام البيانات التي تم جمعها. يتم استخدام 80 ٪ من البيانات للتدريب ويتم استخدام 20 ٪ من البيانات المتبقية للاختبار.
- جذر متوسط حساب الخطأ المربع للمعلمات التالية
نتيجة
تقرير الطقس الحية
التنبؤ بالطقس
تعزيز المستقبل
- يمكن تحسين التعلم الآلي باستخدام المزيد من مجموعات البيانات والخوارزميات الأفضل.
- يمكن جمع بيانات LORA في قاعدة البيانات لاستخدامها كمجموعة بيانات تدريب لتنبؤات الطقس أكثر دقة.
- يمكن توسيع المشروع ليشمل المزيد من البيانات الجوية للتنبؤ بالمطر وفرص الانهيارات الجليدية في التضاريس الجبلية.
مراجع
- [1] Singh ، DK ، SBBTI ، R. ، Jain ، A. ، Malik ، PK ، LE ، D.-N.: مراقبة حالة التربة الذكية والطقس التي تتخذ من لورا مقراً لها مع إنترنت الأشياء للزراعة الدقيقة في المدن الذكية. IET Commun. 16 ، 604–618 (2022).
- [2] It Ali و RF Sari ، "فرص البحث في Lorawan for Internet of Things ،" 2018 المؤتمر الدولي الثاني حول التكنولوجيا الكهرومغناطيسية التطبيقية (AEMT) ، لومبوك ، إندونيسيا ، 2018 ، ص 61-66 ، DOI: 10.1109/AEMT.2018.8572427.
- [3] Pozdnoukhov ، A. ، Purves ، R. ، & Kanevski ، M. (2008). تطبيق أساليب التعلم الآلي على التنبؤ بالانهيار. حوليات الجليئة الجليدية ، 49 ، 107-113. doi: 10.3189/172756408787814870
- [4] أوغسطين ، أ. ، يي ، ج. شبكات الطاقة المنخفضة لإنترنت الأشياء. أجهزة استشعار. 16 ، 9 (سبتمبر 2016) ، 1466. doi: https: //doi.org/10.3390/S16091466.
- [5] B. Quinn and E. Abdelfattah ، "يمكن لأخصائي الأرصاد الجوية في مجال التعلم الآلي التنبؤ Rain" ، 2019 IEEE 10th السنوي الحوسبة في كل مكان ، إلكترونيات الاتصالات والهواتف المحمولة (UEMCON) ، نيويورك ، نيويورك ، الولايات المتحدة الأمريكية ، 2019 ، ص. 0057-0062 ، DOI: 10.1109/Uemcon47517.2019997.
- [6] جولدوني ، إ. ، براندو ، ل. رسائل تكنولوجيا الإنترنت. 2 ، 1 (يناير 2019) ، E75. doi: https: //doi.org/10.1002/itl2.75.
- [7] Jitcha Shivang ، SS Sridhar ، "التنبؤ بالطقس للموقع الهندي باستخدام التعلم الآلي" ، المجلة الدولية للرياضيات النقية والتطبيقية المجلد 118 رقم 22 2018،1945-1949 ISSN: 1314-3395 (النسخة على الإنترنت).
- [8] TA Team ، "Nano" ، وثائق Arduino ، https://docs.arduino.cc/hardware.
- [9] D. Hudgeon و R. Nichol ، "التعلم الآلي للأعمال: استخدام Amazon Sagemaker و Jupyter" ، Amazon ، https://docs.aws.amazon.com/sagemaker/latest/dg/xgboost-howitworks.html.
- [10] S. Scher and G. Messori ، "الطقس والتنبؤ بالمناخ مع الشبكات العصبية: استخدام نماذج الدورة الدموية العامة (GCMS) مع تعقيد مختلف كأرض دراسة ،" تطوير النموذج الجيولوجي ، https://doi.org/10.5194/gmd-12-2797-2019.
- [11] Naa Husein ، Aha Rahman ، و DP Dahnil ، "تقييم نظام مراقبة تلوث الهواء المستند إلى Lora" ، المجلة الدولية لعلوم الكمبيوتر المتقدمة والتطبيقات (IJACSA) ، http://dx.doi.org/10.14569/ijacsa.2019.0100753 (تم الوصول إليها 21 مايو 2023).
{٪ file src = ".
